✅作者简介:大家好我是hacker707,大家可以叫我hacker 📃个人主页:hacker707的csdn博客 🔥系列专栏:python爬虫 💬推荐一款模拟面试、刷题神器👉点击跳转进入网站
💖在实现网络爬虫的爬取工作时,就必须使用网络请求,只有进行了网络请求才可以对响应结果中的数据进行提取,urllib模块是python自带的网络请求模块,无需安装,导入即可使用。下面将介绍如果使用python中的urllib模块实现网络请求💖
模块 | 描述 |
---|---|
urllib.request | 用于实现基本HTTP请求的模块 |
urllib.error | 异常处理模块,如果在发送网络请求的过程时出现错误,可以捕获异常进行有效处理 |
urllib.parse | 用于解析URL的模块 |
urllib.robotparser | 用于解析robots.txt文件,判断网站是否可以爬取信息 |
通过urllib.request() 获取的对象类型是HttpReponse,有以下几种常用的方法,示例如下:
import urllib.request
# 定义一个url(你要爬取的网址)
url = 'https://www.baidu.com'
# 添加请求头信息
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"
}
# 创建Request对象
res = urllib.request.Request(url=url, headers=headers)
# 模拟浏览器向服务器发送网络请求
response = urllib.request.urlopen(res)
# read()函数可以获取响应,但返回的响应格式是二进制的,需要解码
# 解码:decode('编码格式') 编码格式在Response Headers,Content_Type里面查看
print('baidu官网HTML代码如下:\n', response.read().decode('utf-8'))
# HTTPResponse这个类型
# 常见方法:read、readline、readlines、getcode、status、geturl、getheaders、getheader
# print(type(response)) # response是HTTPResponse的类型
# (1) 按照一个字节一个字节去读
content = response.read()
print(content)
# 读取具体的n个字节,在read()函数中传参即可
content2 = response.read(5)
print(content2)
# (2) 按行读取,但是只能读取一行
content3 = response.readline()
print(content3)
# (3) 按行读取,并且读取所有行
content4 = response.readlines()
print(content4)
# (4) 返回状态码的方法:200状态码没有问题,其他的状态码可能有问题
print('响应状态码为', response.getcode())
print('响应状态码为', response.status)
# (5) 返回访问的目标的url地址
print('响应访问的url地址为', response.geturl())
# (6) 获取的是响应头所有信息
print('响应头所有信息为', response.getheaders())
# (7)获取响应头指定信息
print('响应头指定信息为', response.getheader('Content-Type'))
💡使用urllib模块向一个携带中文字样的url发送请求时 ,会报错:‘ascii’ codec can’t encode characters in position 10-11: ordinal not in range(128)💡
步骤 (1)导入request和parse模块 (2)添加请求头header(重构ua)反反爬第一步 (3)使用urllib.parse方法处理url中的中文字样(使用字典存储要处理的内容,经过parse处理返回正常的url地址) (4)使用+拼接固定的url地址和经过处理后的url地址 (5)创建请求对象 (6)使用urlopen()模拟浏览器像服务器发送网络请求 (7)打印获取响应对象里面的内容,并进行decode解码
import urllib.parse # 导入parse解析模块
import urllib.request # 导入request模块
url = 'https://www.baidu.com/s?wd=酷我'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"
}
# 通过urllib.parse处理url中的中文字样--> 得到可以通过urllib发送请求的url地址
# 字典格式的处理方式
org = {'wd': '酷我'}
# 经过处理之后返回wd=%E9%85%B7%E6%88%9
result = urllib.parse.urlencode(org)
# 使用+拼接固定的url地址和经过处理的url地址
# https://www.baidu.com/s?wd=%E9%85%B7%E6%88%91
new_url = 'https://www.baidu.com/s?' + result
# 1、构造请求对象
res = urllib.request.Request(new_url, headers=header)
# 2、发送请求 获取响应
response = urllib.request.urlopen(res)
# 3、获取响应对象里面的内容(获取网页源码)
print(response.read().decode('utf-8'))
步骤 (1)导入request和parse模块 (2)添加请求头header(重构ua)反反爬第一步 (3)使用urllib.parse.quote方法处理url中的中文字样(用一个变量存储酷我字样,使用parse.quote处理即可返回酷我经过处理的url地址) (4)使用+拼接固定的url地址(需要加上wd=)和经过处理后的url地址(酷我字样处理后的url地址) (5)创建请求对象 (6)使用urlopen()模拟浏览器像服务器发送网络请求 (7)打印获取响应对象里面的内容,并进行decode解码
import urllib.request
import urllib.parse
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"
}
# 第二种 字符串格式的处理方式
string_org = '酷我'
# %E9%85%B7%E6%88%91
string_result = urllib.parse.quote(string_org)
# 使用+拼接固定的url地址(需要加上wd=)和经过处理后的url地址
new_string_url = 'https://www.baidu.com/s?wd=' + string_result
# 1、构造请求对象
res = urllib.request.Request(new_string_url, headers=header)
# 2、发送请求 获取响应
response = urllib.request.urlopen(res)
# 3、获取响应对象里面的内容,并进行decode解码
print(response.read().decode('utf-8'))
HTTP基本原理 HTTP(HpperText Transfer Protocol),即超文本传输协议,是互联网上应用广泛的一种网络协议。HTTP是利用TCP在Web服务器和客户端之间传输信息的协议,客户端使用Web浏览器发起HTTP请求给Web服务器,Web服务器发送被请求的信息给客户端。 HTTP协议常用的请求方法
方法 | 描述 |
---|---|
GET | 请求指定的页面信息,并返回响应内容 |
POST | 向指定资源提交数据进行处理请求(例如提交表单或者上传文件),数据被包含在请求体中。POST请求可能会导致新的资源的建立、或已有资源的修改 |
GEAD | 类似于GET请求,只不过返回的响应中没有具体的内容,用于获取报文头部信息 |
PUT | 从客户端像服务器传送的数据取代指定的文档内容 |
DELEAE | 请求服务器删除指定内容 |
OPTIONS | 允许客户端查看服务器性能 |
HTML状态码及其含义
代码 | 含义 |
---|---|
信息,请求收到,继续处理 | |
2** | 成功,行为被成功地接受、理解和采纳 |
3** | 重定向,为了完成请求必须进一步执行的动作 |
4** | 客户端错误,请求包含语法错误或者请求无法实现 |
5** | 服务器错误,服务器不能实现一种明显无效的请求 |
浏览器中的请求与响应 💡最好使用谷歌浏览器💡 使用谷歌浏览器访问baidu官网,查看请求和响应的具体步骤如下: 1在谷歌浏览器输入网址进入baidu官网
2按下F12键(或单击鼠标右键选择”检查“选项),审查页面元素
3单击谷歌浏览器调试工具中“Network”选项,按下F5 键(或手动刷新页面),单击调试工具中的“Name”栏目下的网址,查看请求与响应信息。
Genral
Geral概述关键信息如下: Request URL:请求的URL网址,也就是服务器的URL网址 Request Method:请求方式为GET Status Code:状态码为200,即成功返回响应。 Remote Address :服务器IP地址是39.156.66.14:443,端口号是443 ✅http的端口号是80,https的端口号是443✅ Request Headers请求头 Response Headers响应头
User-Agent(简称UA),记录了操作系统的信息和浏览器的信息 以www.baidu.com为例演示 当不重构ua时,直接访问网址,只会返回baidu的部分源码,因为baidu识别出来我们是爬虫
这时就需要重构ua,伪装自己是浏览器发起请求 查看浏览器ua的方法 按F12键打开Network,在request headers里面就可以看到浏览器的ua.
创建具有请求头信息的Request对象,然后使用urlopen()方法向“baidu”地址发送一个GET请求,利用字典添加请求头信息最常用的用法就是修改User-Agent来伪装浏览器,例如 headers = {“user-agent”: “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36” }表示伪装成谷歌浏览器进行网络请求,可以获取baidu的全部源代码
import urllib.request
# 请求对象的定制:为了解决反爬虫的第一种手段
url = 'https://www.baidu.com'
# 用户代理:UA
header = {
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.104 Safari/537.36'
}
# urlopen()方法中不能传参字典,因而用户代理UA不能作为传参传入
# 此时需要定制一个请求对象:
# 如果request = urllib.request.Request(url,headers) 写会报错
request = urllib.request.Request(url, headers=header)
response = urllib.request.urlopen(request)
print('baidu官网HTML代码如下:\n', response.read().decode('utf-8'))
import requests # 导入requests模块
# 找到目标图片的url地址
url = 'https://c-ssl.duitang.com/uploads/blog/202107/26/20210726111411_b4057.jpg'
img_name = 'code.png'
res = requests.get(url)
# 保存图片,音频之类的,会使用wb ————>以二进制方式写入
with open(img_name, 'wb') as file_obj:
# 保存图片,音频之类的,会使用content去响应对象里面取
file_obj.write(res.content)
import requests # 导入requests模块
url = 'https://c-ssl.duitang.com/uploads/blog/202008/12/20200812094028_qzhsq.jpg'
img_name = 'code2.png'
# 向目标网址发送网络请求并赋给一个变量
res = requests.get(url)
# file_obj是一个文件对象
file_obj = open(img_name, 'wb')
file_obj.write(res.content)
# 用open写入需要关闭
file_obj.close()
💡with open和open两者的区别💡 with open会自动关闭,open则不会
import urllib.request # 导入request模块
# 找到目标图片的url地址
url = 'https://c-ssl.duitang.com/uploads/item/201912/20/20191220140202_sbpjp.jpg'
# 给图片命名
img_name = 'code3.png'
# 使用urllib.request.urlretrieve
urllib.request.urlretrieve(url, img_name)
💝扩展💖使用路径保存图片
from urllib import request # 导入request模块
url = 'https://c-ssl.duitang.com/uploads/blog/202102/14/20210214203011_1336a.jpeg'
# 传入要保存的文件路径(可copy path查看) 加r防止转意
file_name = r'D:\web spider\request\code4.png'
request.urlretrieve(url, file_name)
💡两种导入方式💡 import urllib.request(使用时需要urllib.request) from urllib import request(使用时直接request即可)
💖以上就是python爬虫教程之urllib的基本使用,会持续更新爬虫相关知识,欢迎各位来访,一起交流学习python💖